前言
工業互聯網平台普遍面臨的問題是：
1、在數據完成采集和展示之后，數據如何分析、如何挖掘、如何建模、如何將數據價值變現？
2、不同行業的技術原理、行業知識、基礎工藝都不一樣，如何建設跨行業跨領域的工業互聯網平台？
泛在感知中台是跨行業跨領域的大數據處理中台，可以幫助企業提升平台能力，為企業提供豐富的多行業場景和應用模型，豐富的算法支持企業項目落地。
建設背景（1）-工業互聯網
作為國家新基建之一的工業互聯網，能夠幫助制造業實現數字化、網絡化和智能化轉型。工業互聯網平台的核心是將工業技術原理、行業知識和基礎工藝，規則化、軟件化和模型化。泛在感知中台聚焦於將工業知識和專家經驗模型化這個核心點。
建設背景（2）-智能制造
《中國制造2025》明確提出把智能制造工程作為五項重點工程之一，要求大力推進制造過程智能化，在重點領域試點智能工廠及數字化車間。智能工廠具有數字化、自動化、集成化、可視化、模型化和智能化的六化特征。泛在感知中台聚焦於智能工廠的模型化和智能化。
建設背景（3）-企業數字化轉型的面臨的問題
當前企業數字化轉型過程中面臨的問題在於，雖然知道工業數據是非常有價值的，但數據的真實價值尚未得到挖掘，導致數據資產都變成了數據負債。比如：企業采購了大量的設備去采集和存儲數據，但卻無法對數據有效利用。
建設目標
以人工智能和大數據技術為驅動，以泛在感知中台建設為抓手，以“多維數據匯聚”、“超感模型”、“大數據分析”為目標 ，實現對企業生產經營數據的挖掘，從而降低生產成本，提高經濟效益，助力工業企業實現數字化、網絡化和智能化轉型。具體包括：
總體架構
采用工業互聯網平台典型的四層架構：邊緣層支持工控系統和應用系統數據采集，IaaS層支持公有雲和私有雲部署，PaaS層支持數據接入、計算、存儲和服務，SaaS層包括泛在感知、超感模型、數據分析等應用。
典型場景 1-化工
化工生產裝置通常間隔4-8小時，由人工對餾出口產品進行采樣分析。當發現產品質量不合格的時候，已經延遲了4-8小時，產品質量控制滯后，導致了不合格產品的產生，增大了企業的生產成本，甚至影響了企業的社會形象。通過泛在感知中台可以實時感知產品質量變化，指導生產過程控制，從而增加產品的優級品率，提高經濟效益。
典型場景 2-煤礦
精煤灰分是選煤廠關鍵的質量指標。精煤產品通常由化驗室取樣分析，分析周期為1個小時。一方面，當產品質量檢測出不合格時，通常已經延遲了1個小時，操作調整滯后嚴重；另一方面，由於不能夠實時掌握精煤灰分，為了保證產品質量，不可避免地造成了精煤產量的損失。通過泛在感知中台，對精煤灰分進行在線分析和卡邊控制，能夠幫助選煤廠提升產品質量，提高精煤收率，進而提高經濟效益。
典型場景 3-環保
三廢處理裝置中，存在多個重要且難測的過程變量，制約了環保裝置的控制策略的調整與優化。比如：煙氣脫硝裝置中，煙氣在線監測系統存在煙氣中氮氧化物分析滯后的問題，對噴氨控制帶來了較大的影響。通過泛在感知中台，可實現煙氣中氮氧化物濃度的實時計算，一方面降低了煙氣出口Nox排放濃度的波動，另一方減少了噴氨量，降低了脫硝成本。
典型場景 4-智慧樓宇
我國建築能耗占所有總能耗的 30%以上，其中高達 40%是空調能耗。大多數中央空調使用的是反饋系統，但由於其本身存在大慣性、大滯后特性，導致中央空調的供冷量往往過余，造成能耗浪費。通過泛在感知中台，對未來3天的樓宇的冷負荷以及供回水溫差進行逐時預測，進而提前對冷凍水系統進行溫差控制，實現按需供冷，最終降低樓宇的能耗，使樓宇更智慧。
典型場景 5-綜合能源
可應用於綜合能源的大數據分析，具體應用場景包括：風電、光伏、供熱、儲能等（供能側），工廠能源、建築能源、充電站等（用能側），配網線路斷線診斷、供熱管網等（管網側）。泛在感知中台對這些場景的關鍵指標的預測分析。
典型場景 6-設備故障預測
建立設備關鍵參數的預測模型，將模型預測結果與實際值進行對比分析，如果兩者差別不大，代表設備運行正常。如果兩者之間的差值大於某個閾值，則表明設備可能發生了故障，由系統自動進行預警提醒，進而實現預知性維修，保障設備和生產安全。
典型場景 7-技術經濟指標預測
生產裝置的技術經濟指標，比如：綜合能耗、水蒸汽單耗、電單耗、循環水單耗等，通常只能按照班次統計或者日/月統計，不利於實時控制和優化。通過泛在感知中台，建立工藝參數與技經指標的數學模型，實現對技經指標的實時預測估計，進而指導生產操作，提升技經指標，提高經濟效益
典型場景 8-生產過程動態模擬
通過泛在感知中台建立關鍵指標的預測模型，手動將該模型的某些輸入參數動態調整，觀察模型的輸出參數的變化情況。比如：對於連續重整裝置，建立產品收率預測模型，將原料芳潛從小到大進行調整，可發現汽油收率呈現出上升趨勢。
典型場景 9-生產過程的推演
當產品質量出現問題或者生產指標出現異常時，可利用泛在感知中台，導入歷史數據，對當時的生產過程進行推演或者復盤，幫助生產技術人員分析質量異常或者生產事故的原因。
典型場景 10-復雜機理模型的回歸
對於復雜的機理模型，往往通過Matlab或者Fortran編寫復雜的計算程序，大多數只能進行離線計算，而且需要較長的計算時間。泛在感知中台只需要對歷史計算數據進行學習，即可對模型的輸入和輸出進行准確回歸，進而能夠對未知的原料或者工況進行計算，具備了較好的外延性，實現對復雜機理模型的離線或者在線計算，且計算速度快，比如：對FCC六集總模型、加熱爐熱效率、腐蝕風險評估等。
典型場景 11-輕量級的雙跨工業互聯網平台
跨行業跨領域的工業互聯網平台：對於中小微企業，泛在感知中台支持平台的快速部署。對於集團企業，泛在感知中台支持跨行業跨領域的工業互聯網平台部署，對管理者提供集團級的監管平台。
總體技術路線
采集DCS、SCADA、PLC以及應用系統的數據，通過數據預處理、特征工程、構建模型、模型評估和模型部署五個步驟，完成超感模型的建立，實現對產品質量以及關鍵指標的超級感知，進而精准地指導生產控制。
總體技術路線-1 數據預處理
將采集的歷史數據進行數據預處理，利用數據清洗相關算法進行數據的異常值處理、數據融合和標准化，其中將用到數據清洗、整定、對齊和標准化等技術。
總體技術路線-2 特征工程-相關性分析（1）
對經過預處理和標准化的數據進行相關性分析，按照在兩個相關性較強的變量之中選擇其中的一個變量作為特征變量的原則，結合專家經驗輔助，實現特征變量的初選。
總體技術路線-2 特征工程-主成分分析（2）
利用主成分算法抽取特征變量，比如前4個主成分累計方差貢獻大於85%，則確定為4個主成分。每一個主成分是其它個指標的線性組合，而不是具體某一指標。
總體技術路線-2 特征工程-因果鏈路分析（3）
采集裝置包括工藝、質量、設備、原料等數據在內的全量的歷史數據，對數據進行整定、濾波、標准化等預處理，然后使用傳遞熵算法，計算出與模型輸出變量相關的變量的傳遞熵，並基於傳遞熵的計算結果，繪制模型輸出變量的因果鏈路圖。然后從根原因中結合專家經驗，對特征變量進行篩選。
總體技術路線-3 模型構建
以化工行業建模為例：采集汽提塔頂溫度、汽提塔回流流量、再沸器支路流量和汽提塔底溫度等數據，以汽提塔頂溫度等工藝數據為輸入，以液化氣中丙烷含量等為輸出，建立機器學習模型。使用歷史數據中的訓練集部分對模型進行訓練，並結合遺傳算法，對模型的權值和閾值等參數進行優化，從而完成模型構建過程。
總體技術路線-4 模型評估
模型構建完成之后，使用歷史數據中的測試集部分，對模型進行效果評估。評估方法可選擇預測准確度、相對誤差、均方根誤差和均方根對數誤差，對模型進行評估。如果模型誤差滿足業務需求，即可進行模型部署，否則需要重新構建模型。
總體技術路線-5 模型部署
當模型的准確度符合業務要求，即可進行模型部署。模型部署后，接入在線數據，進行流式計算，即可實現對產品質量等指標的在線計算和展示。
化工行業應用效果分析
化工行業是典型的連續生產，但是由於產品需要實驗室檢測，對產品質量把控的時間周期比較長，一般一天只能分析2-3個樣品，中間的質量情況完全不可控。通過模型可實現每分鍾一個結果，實時指導現場的工藝操作，對於一個100萬噸/年的生產裝置，優等品率預計提高10%，預計每年可為現場增加產值1000萬以上。
煤炭行業應用效果
在精煤檢測階段，目前現場約1小時分析1次精煤灰分。通過泛在感知中台，對於1000萬噸/年的選煤廠，預計每年為工廠帶來超過2000萬效益的提升，對整個行業都是顛覆性的進步。
產品特點
產品與智能工廠的關系
本產品是智能工廠的高端應用和重要組成部分。在工廠完成數據采集的基礎上，產品能夠幫助企業在大數據分析層面，快速構建智能工廠，通過五個中台的建設，使企業具備全面感知、預測預警、協調優化、安全受控和科學決策五項能力。泛在感知中台是五大中台的第一個產品。
泛在感知中台綜合上線時間為20個工作日，包括前期調研、數據清洗、開發、聯調、上線使用。
